:quality(85))
Por casi cualquier métrica disponible, el crecimiento de la inteligencia artificial—y en particular su más reciente encarnación, la IA generativa—en los últimos años ha sido asombroso. Según una investigación realizada por Goldman Sachs, en 2020 las inversiones privadas en IA en Estados Unidos alcanzaron aproximadamente los 28 mil millones de dólares. La firma de banca de inversión proyecta que esa cifra aumentará casi un 250% en 2024, disparándose hasta los 68 mil millones. Un reciente estudio de McKinsey & Co. aporta más evidencias sobre la rápida adopción de esta tecnología en el ámbito corporativo. La consultora descubrió que la cantidad de empresas que utilizan regularmente IA generativa se duplicó en tan solo un año. En mayo de 2024, el 65% de las empresas encuestadas—que incluían compañías de una amplia variedad de regiones e industrias—ya empleaban inteligencia artificial para funciones como marketing, ventas y desarrollo de productos.
Para las empresas y profesionales que operan en el ámbito de la gestión de la cadena de suministro, las capacidades que ofrece la IA pueden ser sumamente atractivas. Estas herramientas permiten realizar análisis predictivos, pronósticos de demanda y evaluaciones de riesgos, entre otras aplicaciones críticas con valor inmediato. Sin embargo, los últimos 18 meses también han mostrado cómo muchas organizaciones se ven seducidas por las posibilidades extravagantes de la inteligencia artificial, sin analizar si estas plataformas realmente pueden aportar beneficios en el contexto concreto de su negocio. Por ello, es fundamental que los equipos de gestión de la cadena de suministro interesados en las potencialidades de la IA comprendan la historia reciente de esta tecnología, exploren las distintas variedades de inteligencia artificial disponibles actualmente y definan objetivos claros sobre cómo desean que el software agregue valor a sus operaciones. En una era donde las empresas invierten capital en startups de IA en una suerte de frenesí sin reflexión, realizar un examen sobrio de las capacidades tecnológicas se convierte en una medida crucial de diligencia debida.
Principales tipos de IA que las empresas deben conocer
La última década y media ha sido un periodo de crecimiento vertiginoso para la inteligencia artificial. Diversas iteraciones de la tecnología han surgido en distintos momentos desde al menos 2011, cuando Apple presentó Siri con la cuarta generación del iPhone. Primer “asistente virtual” de amplia disponibilidad en un smartphone, Siri se apoyó en el aprendizaje automático y la llamada “IA débil” para responder preguntas, recuperar información y realizar ciertas tareas. Desde entonces, las capacidades de Siri y otros asistentes virtuales han sido ampliamente superadas por plataformas revolucionarias como ChatGPT, Dall-E, Claude y Gemini.
Existen varias tecnologías diferentes bajo el paraguas de la IA. Cada una ofrece un conjunto específico de fortalezas y funcionalidades que resultarán útiles según el caso de cada empresa y sector.
Aprendizaje automático
El aprendizaje automático (ML, por sus siglas en inglés) es un tipo de inteligencia artificial que utiliza grandes volúmenes de datos para reconocer patrones, hacer predicciones, “aprender” a lo largo del tiempo y guiar a las personas hacia decisiones más precisas e informadas. En lugar de la programación informática tradicional, en la que los desarrolladores indican instrucciones muy específicas, el aprendizaje automático es un proceso más abierto que permite a la computadora adquirir conocimiento y experiencia analizando texto, cifras, imágenes, informes y otro tipo de datos. Mientras trabajaba en la vanguardia de la IA en la década de 1950, el científico informático Arthur Samuel definió el aprendizaje automático como “el campo de estudio que da a las computadoras la capacidad de aprender sin ser programadas explícitamente”.
Aunque otras variantes de la inteligencia artificial están acaparando más atención e inversión actualmente, el aprendizaje automático sigue siendo una tecnología sumamente versátil y de eficacia probada. Aleksander Madry, científico informático de MIT y experto en ML, llegó a afirmar en la MIT Sloan Management Review que “El aprendizaje automático está cambiando, o cambiará, todas las industrias, y los líderes necesitan entender los principios básicos, su potencial y sus limitaciones.”
Aplicaciones del aprendizaje automático
- Identificación de tendencias empresariales
- Desarrollo de algoritmos de recomendación
- Detección de ralentizaciones y cuellos de botella en la cadena de suministro
- Realización de diagnósticos médicos
- Atención al cliente a través de chatbots en línea
IA predictiva
En el creciente universo de la inteligencia artificial existen numerosas herramientas, términos y conceptos que a menudo presentan solapamientos significativos. La IA predictiva, por ejemplo, utiliza el aprendizaje automático—junto con el análisis estadístico—para examinar grandes volúmenes de datos históricos y realizar predicciones eficaces y accionables sobre patrones, comportamientos e incluso eventos futuros.
La IA predictiva suele considerarse una evolución tecnológica más avanzada que la analítica predictiva, que requiere una mayor intervención humana. Por el contrario, la IA predictiva puede “aprender” y evolucionar de forma completamente autónoma.
Aplicaciones de la IA predictiva
- Predecir el comportamiento del consumidor
- Realizar pronósticos financieros
- Llevar a cabo pronósticos de demanda
- Anticipar fallos de equipos
- Gestionar inventarios
Modelos de lenguaje a gran escala (LLM)
Los modelos de lenguaje a gran escala son una categoría de IA que analiza grandes cantidades de texto y datos para comprender y generar lenguaje, así como interactuar de forma fluida con usuarios humanos. Actualmente, los LLM se consideran “modelos fundacionales”. El término, acuñado por investigadores de la Universidad de Stanford en 2021, hace referencia a plataformas de IA entrenadas con tal cantidad de datos que les permite desenvolverse en una amplia gama de tareas y funcionalidades. Tal como explica el Center for Security and Emerging Technology de Georgetown en su sitio web, en lugar de ser desarrollados para un fin concreto, “el modelo original proporciona una base (“foundation”) sobre la cual pueden construirse otras aplicaciones.”
Los LLM han ganado popularidad tras el notable lanzamiento de ChatGPT a finales de 2022. Estos modelos fundacionales ahora se emplean de formas incontables—correos electrónicos, informes, trabajos académicos—por estudiantes, profesores, investigadores, creadores de contenido y profesionales empresariales. Entre las alternativas más reconocidas a la plataforma de OpenAI se encuentran Google Gemini, Claude de Anthropic y Llama de Meta.
Aplicaciones de los modelos de lenguaje a gran escala
- Soporte al cliente
- Resumir información
- Creación de contenidos
- Generación de código
- Investigación de mercados
IA generativa
Al igual que con el aprendizaje automático y la IA predictiva, existe un notable solapamiento entre los LLM y la IA generativa. Este último concepto se refiere a toda herramienta o plataforma de inteligencia artificial cuyo fin principal es la generación de contenido. Así, todos los LLM son una forma de IA generativa, pero no ocurre lo contrario. Además de generar texto y entablar conversaciones naturales, los modelos de IA generativa pueden crear imágenes de alta calidad, código informático, e incluso música y audio. Ejemplos de herramientas de IA generativa que no son LLM incluyen DALL-E, Midjourney, AIVA y watsonx Code Assistant de IBM.
Pese a ser una forma de inteligencia artificial relativamente nueva, la IA generativa se está posicionando rápidamente como una tecnología transformadora que las empresas buscan desplegar eficazmente. La firma de investigación de mercados IDC proyecta que el gasto global total de las organizaciones en IA generativa alcanzará los 40 mil millones de dólares a finales de 2024.
Aplicaciones de la IA generativa
- Marketing y publicidad
- Creación de contenidos
- Programación informática
- Descubrimiento de fármacos
- Diseño de moda
- Desarrollo de productos
Casos de uso de IA en la gestión de riesgos de la cadena de suministro
Para las organizaciones y equipos que evalúan implementar IA en la gestión de riesgos, comprender las aplicaciones únicas de cada herramienta de IA es fundamental para la toma de decisiones efectiva. Esto se debe a que, aunque la IA generativa y los modelos de lenguaje a gran escala son los que actualmente concentran más atención mediática y presupuestos corporativos, no necesariamente son las mejores opciones para las necesidades de gestión de riesgos de la cadena de suministro (SCRM, por sus siglas en inglés). Por el contrario, los expertos en abastecimiento estratégico y otros profesionales de SCRM deben considerar las numerosas funcionalidades que aportan todas las herramientas de IA disponibles actualmente en el mercado, incluidas la IA predictiva y el aprendizaje automático.
Uno de los retos históricos del sector, el mapeo integral de la cadena de suministro, puede ayudar a los fabricantes a dar visibilidad a sus proveedores, comprender mejor el alcance y la estructura de sus subniveles e identificar riesgos antes de que se traduzcan en costosas interrupciones. Las plataformas de IA pueden ser un activo esencial en este proceso complejo y exigente. Estas herramientas son capaces de localizar pedidos, reservas de transporte, registros logísticos y otros documentos de trazabilidad, para luego sintetizarlos y crear mapas detallados de la cadena de suministro que visualizan múltiples niveles. Utilizando modelos de inteligencia artificial basados en aprendizaje automático, los profesionales pueden mejorar la visibilidad de su cadena de suministro y fortalecer la resiliencia global.
Además de potenciar las capacidades de mapeo, la IA permite anticipar fallos en los equipos antes de que ocurran. La analítica predictiva se utiliza desde hace años con este propósito y la IA predictiva representa un avance significativo. Esta forma de inteligencia artificial emplea sensores que monitorizan el equipo e infraestructura de una empresa, extrayendo grandes volúmenes de datos sobre métricas como temperatura, acústica, humedad, presión y lubricación.
Tras analizar suficiente información de comportamiento, estas plataformas pueden reconocer las condiciones ideales de operación de los equipos y alertar al personal de mantenimiento cuando las condiciones comienzan a desviarse, deteriorarse o presentar señales de un rendimiento deficiente. Esta funcionalidad predictiva permite a los equipos identificar los indicios previos a la avería o fallo y responder de manera proactiva—una capacidad que ayuda a los fabricantes a evitar el impacto negativo de largos tiempos de inactividad.
Los profesionales del abastecimiento estratégico también pueden emplear IA en la gestión de riesgos para evaluar rápidamente las consecuencias de una interrupción en la cadena de suministro. Supongamos que un proveedor directo de un fabricante automotriz debe cerrar varias plantas debido a un evento climático extremo. En respuesta, el fabricante puede introducir datos históricos relevantes y condiciones actuales en una herramienta de inteligencia artificial y recibir una evaluación sobre cómo el desastre natural afectará la producción y los plazos de fabricación, incluyendo la duración de los retrasos.
Es importante subrayar que este tipo de pronóstico de interrupciones es indudablemente una tecnología incipiente—un ejemplo de cómo la aplicación de IA a la gestión de riesgos aún se encuentra en sus primeras etapas. No obstante, el software de inteligencia artificial disponible puede ofrecer estimaciones objetivas y prácticas que ayudan a los responsables a definir respuestas estratégicas. Disponer de este tipo de inteligencia, aunque imperfecta, ayuda a los fabricantes a decidir si mantienen al proveedor afectado, buscan un socio alternativo en la cadena de suministro, o implementan otras medidas de contingencia apropiadas.
El prometedor futuro de la IA en la gestión de riesgos de la cadena de suministro
Pese a la incesante expectativa y la euforia en los mercados, los modelos de lenguaje a gran escala, la IA generativa y otras herramientas de inteligencia artificial de vanguardia aún se encuentran en etapas incipientes de desarrollo. Si bien la naturaleza no probada de estas tecnologías justifica un enfoque prudente, no significa que las compañías deban quedar al margen mientras competidores más audaces apuestan por su potencial. Al contrario, los profesionales de gestión de riesgos de la cadena de suministro deben investigar con diligencia el impacto potencial de las distintas formas de IA en su negocio. Estas acciones incluyen realizar un análisis de coste-beneficio, estudiar detenidamente los casos de uso aplicables e incluso aprovechar periodos de prueba gratuitos de los principales proveedores de IA. Estas medidas de diligencia debida pueden guiar a las empresas hacia una inversión informada y deliberada, comenzando por la comprensión de las diferentes herramientas que conforman el panorama de la IA en rápida evolución.
Las empresas interesadas en el potencial de la IA para la gestión de riesgos pueden considerar las capacidades predictivas de la plataforma SCRM Z2Data. Este software líder del sector ofrece múltiples funcionalidades de pronóstico, incluyendo proyecciones de fin de vida (EOL) para componentes electrónicos, con una precisión histórica del 90%, y una lista de vigilancia de sanciones que utiliza informes congresionales, investigaciones de ONG y otros documentos de alta credibilidad para destacar empresas globales expuestas a un mayor riesgo de ser objetivo de sanciones. En conjunto, estas herramientas predictivas ayudan a los fabricantes a fortalecer su resiliencia frente al riesgo y a construir una estrategia de gestión de amenazas ágil y proactiva.
Para más información sobre Z2Data y las capacidades de pronóstico que proporciona a sus clientes, solicite una demo gratuita con uno de nuestros expertos de producto.
